Python 用法总结（持续更新）

Python 用法总结（持续更新）

---

---

前言

主要记录一下工作中用到python的总结吧 相当于一个大杂烩了。

---

一、Python中global的用法

Python中的全局变量一般定义在函数外部，如果需要在函数内部使用全局变量的话，就需要用global关键字了。

vax = 1
def add(x):
	return x+vax
add(2)

#最后返回为3

在函数中，可以访问全局变量，并使用其值。但是如果不对变量进行global宣言，则不会改变全局变量的值。如下图

如果需要在函数中改变全局变量的值，需要在函数中先定义global，用例如下。

使用global的例子（结合logging模块）

场景：在代码中我需要请求一个token，而token是一小时刷新一次，这种情况下就需要global了。

global：global关键字用来在函数或其他局部作用域中使用全局变量。

顺便提一下 nonlocal，nonlocal用于在嵌套函数中修改外部（非全局）变量的值。

main.py

import time
import logging
log_format = "%(asctime)s - %(levelname)s - %(message)s"
logging.basicConfig(level=logging.DEBUG,format=log_format,handlers=[logging.FileHandler('log1.log',encoding='utf-8'), logging.StreamHandler()])
#logging.basicConfig(level=logging.DEBUG)

# 保存最近一次获取的 token
current_token = None
token_expiration_time = 0  # Token 过期时间戳
test =10

def gettokenfunction():
    global test
    test+=1
    return test

def getoken():
    global current_token, token_expiration_time,test
    
    # 如果当前 token 不存在或已过期，则重新获取
    if current_token is None or time.time() > token_expiration_time:
        current_token = gettokenfunction()  # 调用获取 token 的函数
        logging.info(f"token had renew,current_token:{current_token}")
        token_expiration_time = time.time() + 3600  # 设置 token 过期时间（1小时后）
    else:
        logging.info("token not crash")
    
    return current_token

def getvid():
    token = getoken()  # 获取或刷新 token
    # 继续执行 getvid 的逻辑，使用获取到的 token
    # ...
    return token

test.py

import main  # 导入包含 getoken 和 getvid 的模块
import time
import logging
log_format = "%(asctime)s - %(levelname)s - %(message)s"
logging.basicConfig(level=logging.DEBUG,format=log_format,handlers=[logging.FileHandler('log1.log',encoding='utf-8'), logging.StreamHandler()])


while True:
    
# 使用 getvid 函数
    video_data = main.getvid()
    logging.info("使用getvid函数")
    print(video_data)
    time.sleep(5)

通过这两个文件，我们就能实现上述场景了。

logging

其中还用到了logging模块，logging在工程中作用真的非常大，可以用它定位信息等，简单配置的话如下：

import logging
log_format = "%(asctime)s - %(levelname)s - %(message)s"
logging.basicConfig(level=logging.DEBUG,format=log_format,handlers=[logging.FileHandler('log1.log',encoding='utf-8'), logging.StreamHandler()])
logging.info("11111")
logging.debug("11111")
logging.warning('debugu1111')

[logging.FileHandler(‘log1.log’,encoding=‘utf-8’), logging.StreamHandler()]的作用在于即把log保存在指定文件里，又将其输出到控制台。

logging是python自带的模块，比较原始，很多人在使用logru作为日志模块，后续学习一下logru。

二、Typing中Optional及Pydantic中BaseModel

1.Typing中Optional

Python Typing Optional（类型提示中的 Optional）是 Python 3.5 开始支持官方类型提示的可选类型之一。

Optional 最常用的场景就是表示函数参数的默认值，通过这种方式可以让函数参数既可以接受一个特定类型的值，也可以默认为 None。
简单来说，单独的类型注释只能表示一种，比如说a:int，但是如果是a：int或None，这种情况，就可以用
a：Optional[int]来表示，这就表示可能是int，也可能是None
例如：

def test(aa:Optional[int] = 1):
    return aa
print(test(0.1),type(test(0.1)))
#0.1 <class 'float'>
print(test())
#1

例子中定义函数test，其参数aa可选为int，默认为1，即如果不传参数那aa值为1。如果传的话,输出即为0.1。
由于python没有强制，虽然注释为int类型，你还是可以传入其他类型。

2.Pydantic中BaseModel

pydantic库是一种常用的用于数据接口schema定义与检查的库。

通过pydantic库，我们可以更为规范地定义和使用数据接口，这对于大型项目的开发将会更为友好。

结合Optional，在构建Fastapi接口时，BaseModel与Optinal非常好用

from typing import Optional, Union
from pydantic import BaseModel
class Modelinput(BaseModel):
    sim_th: Optional[float] = 0.8
    alist: Optional[list] = []

@app.post("/test")
async def completions(data: Modelinput):
    data = data.dict()
    logger.info(
    f'data:{data}'
    )

上述是一个fastapi构建，接收data数据，并且data数据按照Modelinput解析。

在你的 FastAPI 路由 completions 中，你将 data 参数的类型指定为 Modelinput。这意味着 FastAPI 会尝试从 HTTP 请求中提取并验证请求体中的数据，并将其转换为一个 Modelinput 对象。如果请求体中的数据不满足 Modelinput 的定义，FastAPI 会返回一个验证错误响应。

但如果在普通函数中，这样写则没用

from pydantic import BaseModel
from typing import Optional, Union


class Modelinput(BaseModel):
    sim_th: Optional[float] = 0.8
    alist: Optional[list] = []
def function(data:Modelinput):
    return data

data = {"sim_th":0.6}
print(function(data))

在你的代码中，你定义了一个名为 Modelinput 的 Pydantic 模型，该模型用于验证和处理输入数据。然而，在你调用 function(data) 时，你传递了一个字典 data，而不是一个 Modelinput 对象。这是为什么 Modelinput 没有生效的原因。

要使 Modelinput 生效，你需要首先创建一个 Modelinput 对象，然后将其传递给 function 函数。示例如下：

data = {"sim_th": 6} 
model_input = Modelinput(**data)
result = function(model_input)
print(result)

3.总结

1.在 FastAPI 中，使用 (data: Modelinput) 这种形式的参数声明会强制要求 FastAPI 从请求中自动解析、验证并转换传入的数据，以确保其符合 Modelinput 的定义。这是 FastAPI 和 Pydantic 结合使用的功能，它将输入数据自动转换为指定的数据类型，从而使验证和处理输入数据变得非常方便和可靠。

2.在普通函数中，参数声明 (data: Modelinput) 并不会自动触发数据转换和验证，除非你自己编写代码来执行这些操作。如果你在普通函数中接受一个参数，并传入一个字典，如 function(data)，Python 本身不会自动将字典转换为 Modelinput 对象。在这种情况下，你需要手动执行转换，例如通过 Modelinput(**data)，以便让 Modelinput 的验证规则生效。

所以，总结起来：

在 FastAPI 中，使用 (data: Modelinput) 形式的参数声明会自动触发数据转换和验证。
在普通函数中，使用 (data: Modelinput) 形式的参数声明不会自动触发数据转换和验证，需要手动处理。

三、Python eval函数及Counter详解

简单讲，eval函数就是将字符串解析为Python的表达式并执行。

# 示例1：计算表达式的结果
x = 7
result = eval('3 * x')
print(result)  # 输出: 21

# 示例2：调用函数
result = eval('pow(2, 2)')
print(result)  # 输出: 4

# 示例3：执行简单的数学运算
result = eval('2 + 2')
print(result)  # 输出: 4

# 示例4：在指定命名空间中执行表达式
namespace = {'a': 2, 'b': 3}
result = eval('a + b', namespace)
print(result)  # 输出: 5

#示例5：将字符串列表转换为真列表
lis = '[1,2]'
res = eval(lis)
print(res)
print(type(res))
#输出：
# [1, 2]
#<class 'list'>

---

Counter函数是Python标准库collections模块中的一个类，用于计算可迭代对象中元素的数量。Counter是dict字典的子类，它以元素作为键，以元素出现的次数作为值进行计数。

from collections import Counter

# 示例1：统计列表中元素的出现次数
my_list = [1, 2, 2, 3, 3, 3, 4, 4, 4, 4]
my_counter = Counter(my_list)
print(my_counter)  # 输出: Counter({4: 4, 3: 3, 2: 2, 1: 1})

# 示例2：获取出现次数最多的元素
print(my_counter.most_common(2))  # 输出: [(4, 4), (3, 3)]

# 示例5：从计数器中减去另一个可迭代对象中的元素
another_list = [1, 2, 2, 3, 4, 4]
my_counter.subtract(another_list)
print(my_counter)  # 输出: Counter({3: 2, 4: 2, 1: 0, 2: 0}))